CN117726775A - 一种基于网格降采样的点云预处理方法及装置 - Google Patents
一种基于网格降采样的点云预处理方法及装置 Download PDFInfo
- Publication number
- CN117726775A CN117726775A CN202410175701.2A CN202410175701A CN117726775A CN 117726775 A CN117726775 A CN 117726775A CN 202410175701 A CN202410175701 A CN 202410175701A CN 117726775 A CN117726775 A CN 117726775A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- preset
- node
- grid
- voxel
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000007781 pre-processing Methods 0.000 title claims abstract description 44
- 238000007621 cluster analysis Methods 0.000 claims abstract description 27
- 238000001914 filtration Methods 0.000 claims abstract description 16
- 230000015654 memory Effects 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 2
- 239000000039 congener Substances 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 10
- 238000010586 diagram Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Landscapes
- Image Generation (AREA)
Abstract
本发明涉及点云处理技术领域，公开了一种基于网格降采样的点云预处理方法及装置，方法包括：获取待处理的点云集合；对待处理的点云集合进行去噪处理，滤除待处理的点云集合中的零点及离群点，生成去噪后的点云集合S；根据预设体素网格分辨率为集合S构建预设邻接方式的体素八叉邻接树，计算体素八叉邻接树所有体素的几何质心的集合C；根据预设超体素网格分辨率为集合C构建超体素八叉搜索树，计算超体素八叉搜索树的叶子结点，其中，叶子结点为超体素的几何质心；对所述叶子结点进行聚类分析，通过同类结点带有的预设类别数值，确定聚类分析后每个结点的类别，完成网格降采样的点云预处理。降低了预处理时间、保留了点云的几何属性。
Description
技术领域
本发明涉及点云处理技术领域，具体涉及一种基于网格降采样的点云预处理方法及装置。
背景技术
低成本传感器的快速发展（如kinetic、TOF、结构光相机等），使得点云获取越来越便捷。然而，由于传感器硬件的局限性、环境的固有噪声等因素，传感器获取的点云不可避免地受到噪声污染并包含异常值，因此，需要对原始点云进行点云降采样预处理的滤波操作，以获得适合进一步处理的精确点云。
目前，3D点云的主要滤波方法可以分为以下5类：第一类是基于统计技术的过滤技术，如基于核的聚类方法过滤点云：首先累积在每个点上计算局部似然值为噪声点云建模概率，然后使用均值移位技术将噪声点移动到高概率的位置，以平滑点云。第二类是基于邻域的过滤技术，利用点与其邻域之间的相似性度量确定点的滤波位置，相似度可以通过点、法线或区域的位置来定义。第三类是基于投影的过滤方法，通过不同的投影策略来调整点云中每个点的位置，从而对点云进行滤波。第四类是基于信号处理的方法，如采用光谱处理对点云进行滤波：应用离散傅里叶变换得到点云的光谱分解，然后通过维纳滤波器操纵频谱来进行精细的滤波操作。第五类是基于网格的过滤方法：首先在点云上定义一个三维体素网格(三维空间中的三维盒子)，然后在每个体素中选择一个点来近似该体素上的所有点来达到过滤的效果，通常这些点的质心或这个体素的中心被用作近似值，体素网格方法相比其他方法是最有效的滤波方法，比其他方法快近两到三个数量级。如图1所示为常规点云降采样预处理的算法流程图。
现有降采样的点云预处理方法包括：1.基于统计技术的降采样预处理能够提供对点云的精细描述，通常涉及到一些复杂的数学运算，例如平均值、方差、协方差等统计量。一些统计滤波器通常要考虑使用滑动窗口或卷积操作来计算局部统计信息，这些运算需要对点云中的数据进行迭代计算，在大规模点云的处理中需要大量的计算资源，导致时间成本显著增加。2.基于网格的降采样预处理，网格的大小由分辨率来控制，分辨率的大小决定了网格的体积大小，导致了该方法不能适应采样分布的不均匀性：如果网格体素设置过大，很容易将未连接的部分分在一个网格中，在边缘或者间隙处不能很好地保留几何特性，而导致几何特性失真；如果网格体素设置过小，可能出现一个网格包含两个或一个点云数据，在处理大规模点云时，不仅实现不了降采样的功能，还会因为生成和处理网格需要更多的资源和计算时间，而增加空间存储成本和时间检索成本。3.使用体素网格的几何中心作为特征点代表网格，几何中心可能不是点云质心，在不均匀分布或存在噪声点的点云中，可能导致网格特征的位置在某些情况下与真实几何质心有偏移，影响后续处理步骤，如在物体识别或特征匹配中，产生错误的识别或匹配结果。
基于上述描述，现有点云预处理存在预处理时间成本高、不能有效保留几何特征的缺陷。
发明内容
有鉴于此，本发明提供了一种基于网格降采样的点云预处理方法及装置，以解决现有点云预处理存在预处理时间成本高、不能有效保留几何特征的问题。
第一方面，本发明提供了一种基于网格降采样的点云预处理方法，所述方法包括：
获取待处理的点云集合；
对待处理的点云集合进行去噪处理，滤除待处理的点云集合中的零点及离群点，生成去噪后的点云集合S；
根据预设体素网格分辨率为去噪后点云集合S构建预设邻接方式的体素八叉邻接树，计算体素八叉邻接树所有体素的几何质心的集合C；
根据预设超体素网格分辨率为集合C构建超体素八叉搜索树，计算超体素八叉搜索树的叶子结点，其中，叶子结点为超体素的几何质心；
对所述叶子结点进行聚类分析，通过同类结点带有的预设类别数值，确定聚类分析后每个结点的类别，完成网格降采样的点云预处理。
本发明提供的基于网格降采样的点云预处理方法，降低了大型点云数据量计算的开销，为后续点云配准操作节省了时间成本，通过聚类分析很好的保留了点云的原始几何属性。
在一种可选的实施方式中，对所述叶子结点进行聚类分析，通过同类结点带有的预设类别数值，确定聚类分析后每个结点的类别，包括：
将所述超体素八叉搜索树的叶子结点，存储至第一预设容器中，在第一预设容器中，搜索距离每个叶子结点距离最近结点作为初始种子结点，存储至第二预设容器中；
在第二预设容器中，计算每个初始种子结点预设搜索半径范围内的种子结点的数量，当数量小于预设数值时，滤除该种子结点；
将剩余每个种子结点的两层邻居存储至聚类集合N中，获取每个种子结点与聚类集合N中该种子结点对应的所有邻居结点的距离，所述两层邻居为该种子结点的下一层结点，及该下一层结点的下一层结点；
当所述距离与预设同类距离满足预设距离条件时，该邻居结点为对应种子结点的同类结点；
通过同类结点带有的预设类别数值，确定聚类分析后每个结点的类别。
本发明提供的基于网格降采样的点云预处理方法，以种子体素为起点，使用广度优先搜索逐层搜索邻近的体素，通过聚类分析很好的保留了点云的原始几何属性。
在一种可选的实施方式中，通过以下公式计算预设同类距离：
其中，spatial_w表示空间权重，normal_w表示法向量权重，表示种子结点与邻居结点质检的欧式距离，/>表示法向量。
本发明提供的基于网格降采样的点云预处理方法，通过对体素进行局部聚类，很好的保留了点云的原始几何属性。
在一种可选的实施方式中，通过以下公式计算预设搜索半径：
其中，表示/>的平方，/>表示预设距离，/>表示/>的平方，/>表示预设体素网格分辨率。
在一种可选的实施方式中，预设邻接方式包括：6相邻、18相邻、26相邻。
在一种可选的实施方式中，根据预设平面的标准差，滤除待处理点云集合中在预设平面以外的离群点。
本发明提供的基于网格降采样的点云预处理方法，通过滤波处理，去除点云中的零点和离群点，为后续点云配准操作节省了时间成本。
第二方面，本发明提供了一种基于网格降采样的点云预处理装置，所述装置包括：
数据获取模块，用于获取待处理的点云集合；
去噪模块，用于对待处理的点云集合进行去噪处理，滤除待处理的点云集合中的零点及离群点，生成去噪后的点云集合S；
体素集合质心计算模块，用于根据预设体素网格分辨率为去噪后点云集合S构建预设邻接方式的体素八叉邻接树，计算体素八叉邻接树所有体素的几何质心的集合C；
超体素集合质心计算模块，用于根据预设超体素网格分辨率为集合C构建超体素八叉搜索树，计算超体素八叉搜索树的叶子结点，其中，叶子结点为超体素的几何质心；
聚类分析模块，用于对所述叶子结点进行聚类分析，通过同类结点带有的预设类别数值，确定聚类分析后每个结点的类别，完成网格降采样的点云预处理。
第三方面，本发明提供了一种计算机设备，包括：存储器和处理器，存储器和处理器之间互相通信连接，存储器中存储有计算机指令，处理器通过执行计算机指令，从而执行上述第一方面或其对应的任一实施方式的基于网格降采样的点云预处理方法。
第四方面，本发明提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机指令，计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的基于网格降采样的点云预处理方法。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是常规点云降采样预处理的算法流程图；
图2是根据本发明实施例的基于网格降采样的点云预处理方法的流程图；
图3是根据本发明实施例的去噪算法的流程图；
图4（a）、图4（b）、图4（c）分别为6相邻、18相邻、26相邻方式示意图；
图5（a）、图5（b）分别为立方体和长方体几何质心的示意图；
图6是根据本发明实施例的基于网格降采样的点云预处理装置的结构框图；
图7是本发明实施例的计算机设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
根据本发明实施例，提供了一种基于网格降采样的点云预处理方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种基于网格降采样的点云预处理方法，可用于上述的移动终端，如手机、平板电脑等，图2是根据本发明实施例的基于网格降采样的点云预处理方法的流程图，如图2所示，该流程包括如下步骤：
步骤S201，获取待处理的点云集合。
在一具体实施例中，获取待处理点云集合的方式在此不作限制，根据实际情况选取相应的设备。
步骤S202，对待处理的点云集合进行去噪处理，滤除待处理的点云集合中的零点及离群点，生成去噪后的点云集合S。
在本发明实施例中，根据预设平面的标准差，滤除待处理点云集合中在预设平面以外的离群点。仅以此举例，不以此为限，在实际应用中根据实际情况选取相应的预设平面。
在一具体实施例中，去噪算法的流程图如图3所示，首先输入待处理点云集合S_noisy，为S_noisy建立索引树kdtree_searcher，然后遍历S_noisy中的每个点云点，取20个最近邻距离nn_dist的平均值作为该点云的距离存取到distances中，遍历结束后，计算所有点云distances的标准差stddev，保留非零点和距离在mean+2stddev内的点，存储至去噪后的点云集S中。其中，mean+2/>stddev内的点：假设mean是一个空间平面，则平面上下2stddev距离内的点认为是正常点，超出2/>stddev距离的点都认为是离群的噪声点，应该予以去除。
通过以下公式计算stddev：
表示点云点i的distances[i]值，/>表示示所有点云点distances的平均值，即distances点云数量。
步骤S203，根据预设体素网格分辨率为去噪后点云集合S构建预设邻接方式的体素八叉邻接树，计算体素八叉邻接树所有体素的几何质心的集合C。
在一具体实施例中，预设体素网格分辨率包括：X方向体素网格分辨率、Y方向体素网格分辨率及Z方向体素网格分辨率，通过考虑XYZ三个维度，使用兼容正方体的长方体网格提取点云特征，适应点云密度分布不均匀的情况。仅以此举例，不以此为限，在实际应用中根据实际情况选择相应的体素网格分辨率。
根据体素网格分辨率res_x，res_y，res_z为去噪后点云集合S构建体素八叉邻接树v_octree，利用三个维度的分辨率使得网格适应点云密度分布并较好地保持几何属性。预设邻接方式包括：6相邻、18相邻、26相邻。如图4（a）、（b）、（c）所示分别为三种相邻方式示意图，其中，6相邻：只有面接触称为相邻。18相邻：面和边接触。26相邻：点，线面都接触。存储体素voxel的邻居索引编号到容器leaf_container中。
几何质心通过计算体素voxel边界顶点的最小值min(x,y,z)和最大值max(x,y,z)的平均数获取。如图5（a）、（b）所示给出了立方体voxel和长方体voxel计算几何质心的例图，几何质心即对角线的交点，也即对角线的中点，设对角线最小端点为min，最大端点为max，则(min+max)/2即为几何质心，图中表示为实现黑点。
步骤S204，根据预设超体素网格分辨率为集合C构建超体素八叉搜索树，计算超体素八叉搜索树的叶子结点，其中，叶子结点为超体素的几何质心。
在一具体实施例中，预设超体素网格分辨率包括：X方向超体素网格分辨率、Y方向超体素网格分辨率及Z方向超体素网格分辨率，通过考虑XYZ三个维度，使用兼容正方体的长方体网格提取点云特征，适应点云密度分布不均匀的情况。仅以此举例，不以此为限，在实际应用中根据实际情况选择相应的超体素网格分辨率。
使用预设超体素网格分辨率s_res_x，s_res_y，s_res_z为集合C建立超体素八叉搜索树sv_octree。计算sv_octree的叶子结点，即超体素的几何质心，存储到容器supervoxel_centers中。
步骤S205，对所述叶子结点进行聚类分析，通过同类结点带有的预设类别数值，确定聚类分析后每个结点的类别，完成网格降采样的点云预处理。
在本发明实施例中，将超体素八叉搜索树的叶子结点，存储至第一预设容器中，在第一预设容器中，搜索距离每个叶子结点最近的结点作为初始种子结点，存储至第二预设容器中；在第二预设容器中，计算每个初始种子结点预设搜索半径范围内的种子结点的数量，当数量小于预设数值时，滤除该种子结点；将剩余每个种子结点的两层邻居存储至聚类集合N中，获取每个种子结点与聚类集合N中该种子结点对应的所有邻居结点的距离，两层邻居为该种子结点的下一层结点，及该下一层结点的下一层结点；当距离与预设同类距离满足预设距离条件时，该邻居结点为对应种子结点的同类结点；通过同类结点带有的预设类别数值，确定聚类分析后每个结点的类别。其中，第一预设容器、第二预设容器及预设距离条件在此不作限制，根据实际情况进行相应的选取。比如预设距离条件可以选取为距离与预设同类距离最接近时。
在一具体实施例中，在容器supervoxel_centers中，使用kdtree索引搜索距离每个叶子结点voxel最近的结点作为初始种子结点，存储至容器seed_indices，以为搜索半径，统计其周围的voxel个数count。设定过滤阈值α，count<α，则该种子判定为噪声，过滤掉噪声种子，α的计算公式如下：
体素分辨率包含res_x，res_y，res_z，超体素分辨率/>包含s_res_x，s_res_y，s_res_z。/></></>。
存储每个种子的两层邻居到对应的聚类集合N中。遍历indices，以种子体素为起点，使用广度优先搜索逐层搜索邻近的体素，获取每个种子距离聚类集合N所有成员距离D最小的voxel，标记为该种子的同类，对体素进行局部聚类。D的计算公式如下：
spatial_w表示空间权重，normal_w表示法向量权重，表示种子结点与邻居结点质检的欧式距离，如两个三维点P1(x1,y1,z1)、P2(x2,y2,z2)之间的欧式距离，计算公式为：，使用欧氏距离除以/>获得。/>表示法向量，由两个三维点P1、P2对应的法向量n1、n2的夹角的补余计算，利用两个向量夹角的补余计算。更新质心返回结果。计算每个聚类的点云质心，每个类别设为一个数值label，最后返回带有label的超体素索引。
本实施例提供的基于网格降采样的点云预处理方法，降低了大型点云数据量计算的开销，为后续点云配准操作节省了时间成本，通过聚类分析很好的保留了点云的原始几何属性。
在本实施例中还提供了一种基于网格降采样的点云预处理装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种基于网格降采样的点云预处理装置，如图6所示，包括：
数据获取模块601，用于获取待处理的点云集合。
去噪模块602，用于对待处理的点云集合进行去噪处理，滤除待处理的点云集合中的零点及离群点，生成去噪后的点云集合S。
体素集合质心计算模块603，用于根据预设体素网格分辨率为去噪后点云集合S构建预设邻接方式的体素八叉邻接树，计算体素八叉邻接树所有体素的几何质心的集合C。
超体素集合质心计算模块604，用于根据预设超体素网格分辨率为集合C构建超体素八叉搜索树，计算超体素八叉搜索树的叶子结点，其中，叶子结点为超体素的几何质心。
聚类分析模块605，用于对所述叶子结点进行聚类分析，通过同类结点带有的预设类别数值，确定聚类分析后每个结点的类别，完成网格降采样的点云预处理。
本实施例中的基于网格降采样的点云预处理装置是以功能单元的形式来呈现，这里的单元是指ASIC（Application Specific Integrated Circuit，专用集成电路）电路，执行一个或多个软件或固定程序的处理器和存储器，和/或其他可以提供上述功能的器件。
本发明实施例还提供一种计算机设备，具有上述图6所示的基于网格降采样的点云预处理装置。
请参阅图7，图7是本发明可选实施例提供的一种计算机设备的结构示意图，如图7所示，该计算机设备包括：一个或多个处理器10、存储器20，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相通信连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在计算机设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在一些可选的实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个计算机设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图7中以一个处理器10为例。
处理器10可以是中央处理器，网络处理器或其组合。其中，处理器10还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路，可编程逻辑器件或其组合。上述可编程逻辑器件可以是复杂可编程逻辑器件，现场可编程逻辑门阵列，通用阵列逻辑或其任意组合。
其中，所述存储器20存储有可由至少一个处理器10执行的指令，以使所述至少一个处理器10执行实现上述实施例示出的方法。
存储器20可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据计算机设备的使用所创建的数据等。此外，存储器20可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些可选的实施方式中，存储器20可选包括相对于处理器10远程设置的存储器，这些远程存储器可以通过网络连接至该计算机设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
存储器20可以包括易失性存储器，例如，随机存取存储器；存储器也可以包括非易失性存储器，例如，快闪存储器，硬盘或固态硬盘；存储器20还可以包括上述种类的存储器的组合。
该计算机设备还包括通信接口30，用于该计算机设备与其他设备或通信网络通信。
本发明实施例还提供了一种计算机可读存储介质，上述根据本发明实施例的方法可在硬件、固件中实现，或者被实现为可记录在存储介质，或者被实现通过网络下载的原始存储在远程存储介质或非暂时机器可读存储介质中并将被存储在本地存储介质中的计算机代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件的存储介质上的这样的软件处理。其中，存储介质可为磁碟、光盘、只读存储记忆体、随机存储记忆体、快闪存储器、硬盘或固态硬盘等；进一步地，存储介质还可以包括上述种类的存储器的组合。可以理解，计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件，当软件或计算机代码被计算机、处理器或硬件访问且执行时，实现上述实施例示出的方法。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (9)
1.一种基于网格降采样的点云预处理方法，其特征在于，所述方法包括：
获取待处理的点云集合；
对待处理的点云集合进行去噪处理，滤除待处理的点云集合中的零点及离群点，生成去噪后的点云集合S；
根据预设体素网格分辨率为去噪后点云集合S构建预设邻接方式的体素八叉邻接树，计算体素八叉邻接树所有体素的几何质心的集合C；
根据预设超体素网格分辨率为集合C构建超体素八叉搜索树，计算超体素八叉搜索树的叶子结点，其中，叶子结点为超体素的几何质心；
对所述叶子结点进行聚类分析，通过同类结点带有的预设类别数值，确定聚类分析后每个结点的类别，完成网格降采样的点云预处理。
2.根据权利要求1所述的方法，其特征在于，对所述叶子结点进行聚类分析，通过同类结点带有的预设类别数值，确定聚类分析后每个结点的类别，包括：
将所述超体素八叉搜索树的叶子结点，存储至第一预设容器中，在第一预设容器中，搜索距离每个叶子结点距离最近的结点作为初始种子结点，存储至第二预设容器中；
在第二预设容器中，计算每个初始种子结点预设搜索半径范围内的种子结点的数量，当数量小于预设数值时，滤除该种子结点；
将剩余每个种子结点的两层邻居存储至聚类集合N中，获取每个种子结点与聚类集合N中该种子结点对应的所有邻居结点的距离，所述两层邻居为该种子结点的下一层结点，及该下一层结点的下一层结点；
当所述距离与预设同类距离满足预设距离条件时，该邻居结点为对应种子结点的同类结点；
通过同类结点带有的预设类别数值，确定聚类分析后每个结点的类别。
3.根据权利要求2所述的方法，其特征在于，通过以下公式计算预设同类距离：
其中，spatial_w表示空间权重，normal_w表示法向量权重，表示种子结点与邻居结点质检的欧式距离，/>表示法向量。
4.根据权利要求1所述的方法，其特征在于，通过以下公式计算预设搜索半径：
其中，表示/>的平方，/>表示预设距离，/>表示/>的平方，表示预设体素网格分辨率。
5.根据权利要求1所述的方法，其特征在于，预设邻接方式包括：6相邻、18相邻、26相邻。
6.根据权利要求1所述的方法，其特征在于，根据预设平面的标准差，滤除待处理点云集合中在预设平面以外的离群点。
7.一种基于网格降采样的点云预处理装置，其特征在于，所述装置包括：
数据获取模块，用于获取待处理的点云集合；
去噪模块，用于对待处理的点云集合进行去噪处理，滤除待处理的点云集合中的零点及离群点，生成去噪后的点云集合S；
体素集合质心计算模块，用于根据预设体素网格分辨率为去噪后点云集合S构建预设邻接方式的体素八叉邻接树，计算体素八叉邻接树所有体素的几何质心的集合C；
超体素集合质心计算模块，用于根据预设超体素网格分辨率为集合C构建超体素八叉搜索树，计算超体素八叉搜索树的叶子结点，其中，叶子结点为超体素的几何质心；
聚类分析模块，用于对所述叶子结点进行聚类分析，通过同类结点带有的预设类别数值，确定聚类分析后每个结点的类别，完成网格降采样的点云预处理。
8.一种计算机设备，其特征在于，包括：
存储器和处理器，所述存储器和所述处理器之间互相通信连接，所述存储器中存储有计算机指令，所述处理器通过执行所述计算机指令，从而执行权利要求1至6中任一项所述的基于网格降采样的点云预处理方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机指令，所述计算机指令用于使计算机执行权利要求1至6中任一项所述的基于网格降采样的点云预处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410175701.2A CN117726775A (zh) | 2024-02-07 | 2024-02-07 | 一种基于网格降采样的点云预处理方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410175701.2A CN117726775A (zh) | 2024-02-07 | 2024-02-07 | 一种基于网格降采样的点云预处理方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117726775A true CN117726775A (zh) | 2024-03-19 |
Family
ID=90203852
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410175701.2A Pending CN117726775A (zh) | 2024-02-07 | 2024-02-07 | 一种基于网格降采样的点云预处理方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117726775A (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106780524A (zh) * | 2016-11-11 | 2017-05-31 | 厦门大学 | 一种三维点云道路边界自动提取方法 |
| CN110208815A (zh) * | 2019-05-10 | 2019-09-06 | 江苏大学 | 一种基于机载激光雷达的大面积成熟作物收获信息快速获取方法 |
| CN110443810A (zh) * | 2019-07-17 | 2019-11-12 | 北京建筑大学 | 基于快速邻接体素查询的点云平面分割方法 |
| CN111145129A (zh) * | 2020-04-03 | 2020-05-12 | 速度时空信息科技股份有限公司 | 基于超体素的点云去噪方法 |
| CN111666946A (zh) * | 2020-05-26 | 2020-09-15 | 东华大学 | 基于点云过分割与面片生长的植株点云单叶片分割方法 |
| CN113838069A (zh) * | 2021-09-27 | 2021-12-24 | 上海景吾智能科技有限公司 | 基于平面度约束的点云分割方法和系统 |
| CN114972377A (zh) * | 2022-05-24 | 2022-08-30 | 厦门大学 | 基于移动最小二乘法与超体素的3d点云分割方法和装置 |
| CN115512054A (zh) * | 2022-09-06 | 2022-12-23 | 武汉大学 | 三维时空连续点云地图的构建方法 |
| CN116310849A (zh) * | 2023-05-22 | 2023-06-23 | 深圳大学 | 基于三维形态特征的树木点云单体化提取方法 |
| CN117197159A (zh) * | 2023-06-26 | 2023-12-08 | 中国空气动力研究与发展中心超高速空气动力研究所 | 一种高效且高质量的高温物体点云分割方法 |
-
2024
- 2024-02-07 CN CN202410175701.2A patent/CN117726775A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106780524A (zh) * | 2016-11-11 | 2017-05-31 | 厦门大学 | 一种三维点云道路边界自动提取方法 |
| CN110208815A (zh) * | 2019-05-10 | 2019-09-06 | 江苏大学 | 一种基于机载激光雷达的大面积成熟作物收获信息快速获取方法 |
| CN110443810A (zh) * | 2019-07-17 | 2019-11-12 | 北京建筑大学 | 基于快速邻接体素查询的点云平面分割方法 |
| CN111145129A (zh) * | 2020-04-03 | 2020-05-12 | 速度时空信息科技股份有限公司 | 基于超体素的点云去噪方法 |
| CN111666946A (zh) * | 2020-05-26 | 2020-09-15 | 东华大学 | 基于点云过分割与面片生长的植株点云单叶片分割方法 |
| CN113838069A (zh) * | 2021-09-27 | 2021-12-24 | 上海景吾智能科技有限公司 | 基于平面度约束的点云分割方法和系统 |
| CN114972377A (zh) * | 2022-05-24 | 2022-08-30 | 厦门大学 | 基于移动最小二乘法与超体素的3d点云分割方法和装置 |
| CN115512054A (zh) * | 2022-09-06 | 2022-12-23 | 武汉大学 | 三维时空连续点云地图的构建方法 |
| CN116310849A (zh) * | 2023-05-22 | 2023-06-23 | 深圳大学 | 基于三维形态特征的树木点云单体化提取方法 |
| CN117197159A (zh) * | 2023-06-26 | 2023-12-08 | 中国空气动力研究与发展中心超高速空气动力研究所 | 一种高效且高质量的高温物体点云分割方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114359042A (zh) | 点云拼接方法和装置、三维扫描仪及电子设备 | |
| JP2019528500A (ja) | 点を有する入力点群を処理するシステム及び方法 | |
| CN111524168B (zh) | 点云数据的配准方法、系统、装置及计算机存储介质 | |
| CN111553946A (zh) | 用于去除地面点云的方法及装置、障碍物检测方法及装置 | |
| CN110458764A (zh) | 一种基于形态学图形处理的点云数据平滑方法 | |
| CN113052955A (zh) | 一种点云补全方法、系统及应用 | |
| CN112784799A (zh) | Agv后向栈板及障碍物识别方法、装置及agv | |
| CN118644470B (zh) | 一种集成计算机视觉的滚珠丝杆螺纹缺陷检测方法及系统 | |
| CN111798453A (zh) | 用于无人驾驶辅助定位的点云配准方法及其系统 | |
| CN118365802B (zh) | 一种三维点云重建方法、装置及计算机可读存储介质 | |
| CN114862692A (zh) | 一种基于标准化流理论的三维点云去噪方法 | |
| CN117132478B (zh) | 一种基于法向量二范数特征参数的轨道点云去噪方法 | |
| CN114563000A (zh) | 一种基于改进型激光雷达里程计的室内外slam方法 | |
| CN118396875A (zh) | 一种基于Mesh的点云去噪方法、装置及应用 | |
| CN115424022B (zh) | 输电走廊地面点云分割方法、装置和计算机设备 | |
| CN114972640A (zh) | 一种基于点云的线缆三维重建与参数计算的方法 | |
| CN114283148A (zh) | 一种道路元素提取方法、装置、存储介质及电子设备 | |
| CN116758122B (zh) | 一种基于跨源点云的输电线路铁塔位姿配准方法及装置 | |
| CN117726775A (zh) | 一种基于网格降采样的点云预处理方法及装置 | |
| CN115147433A (zh) | 点云配准方法 | |
| CN114742794B (zh) | 一种基于三角剖分的临时道路检测方法及系统 | |
| CN113205465B (zh) | 点云数据集分割方法及系统 | |
| CN115346019A (zh) | 一种点云圆孔几何参数测量方法、装置及系统 | |
| CN116630379A (zh) | 基于网格特征描述的堆叠工件遮挡点云配准方法及装置 | |
| CN118229772B (zh) | 基于图像处理的托盘位姿检测方法、系统、设备和介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20240319 |